Manus在GAIA基準測試中取得突破性進展

近期，Manus在GAIA基準測試中取得了令人矚目的成績，其性能超越了同層次的大型語言模型。這意味着Manus能夠獨立完成諸如跨國商業談判等復雜任務，涉及合同條款分解、策略預判、方案生成，甚至能夠協調法務和財務團隊。

Manus的優勢主要體現在三個方面：動態目標拆解能力、跨模態推理能力以及記憶增強學習能力。它能將大型任務分解成數百個可執行子任務，同時處理多種類型的數據，並通過強化學習不斷提升自身決策效率，降低錯誤率。

這一突破再次引發了業內對AI演化路徑的討論：未來是AGI一統天下，還是多智能體系統（MAS）協同主導？

Manus的設計理念暗含兩種可能性：

1. AGI路徑：通過持續提升單體智能水平，使其逼近人類綜合決策能力。

2. MAS路徑：作爲超級協調者，指揮數千個垂直領域智能體協同作戰。

表面上，這是不同路徑的分歧，實質上討論的是AI發展中效率與安全如何平衡的問題。單體智能越接近AGI，其決策黑箱化風險越高；而多智能體協同雖能分散風險，卻可能因通信延遲錯失關鍵決策時機。

Manus的進化無形中放大了AI發展的固有風險，如數據隱私、算法偏見和對抗攻擊等問題。在醫療場景中，Manus需要實時訪問患者基因組數據；在金融談判中，可能涉及企業未公開財報信息。在招聘談判中，可能對特定羣體給出偏低的薪資建議；在法律合同審核時，對新興行業條款的誤判率可能接近一半。此外，黑客可能通過植入特定語音頻率，導致Manus在談判中誤判對手報價區間。

這些問題凸顯了一個重要觀點：越智能的系統，其攻擊面也越廣。

在Web3領域，安全一直是備受關注的話題。基於V神提出的"不可能三角"（區塊鏈網路無法同時實現安全性、去中心化和可擴展性），衍生出了多種加密方式：

1. 零信任安全模型：核心理念是"不信任任何人，總是進行驗證"，強調對每個訪問請求進行嚴格的身分驗證和授權。

2. 去中心化身份（DID）：一套標識符標準，使實體能夠以可驗證和持久的方式獲得識別，無需依賴集中式註冊表。

3. 全同態加密（FHE）：一種先進的加密技術，允許在不解密數據的情況下對加密數據執行任意計算。

其中，FHE被認爲是解決AI時代安全問題的關鍵技術。它可以在以下幾個層面發揮作用：

1. 數據層面：用戶輸入的所有信息（包括生物特徵、語音語調）在加密狀態下被處理，連AI系統自身也無法解密原始數據。

2. 算法層面：通過FHE實現"加密模型訓練"，即使是開發者也無法窺探AI的決策路徑。

3. 協同層面：多個智能體之間的通信採用門限加密，單個節點被攻破不會導致全局數據泄露。

在Web3安全領域，已有多個項目在不同方向上進行探索。然而，安全項目往往不被投機者關注。未來，隨着AI技術的不斷發展，FHE等安全技術的重要性將日益凸顯。在通向AGI的道路上，這些技術不僅是解決當前問題的工具，更是未來強AI時代的必需品。